建筑安全管理工作中存在的不利因素及相关建议

随着人们对建筑质量的要求越来越高,建筑工程项目的规模越来越大,所涉及的项目内容也越来越多,给经营管理增加了难度,也给安全管理带来了挑战。在建筑工程项目施工中,企业需要重视安全管理工作,不断地优化和改进安全管理模式,确保项目顺利实施。

回归最优设计法在水培白菜肥料效应中的应用

利用“416-A”回归最优设计研究Ca(NO3)2·4H2O、KNO3、NH4H2PO4、MgSO4·7H2O对水培白菜的产量效应。数学模拟建立了四种肥料与白菜产量的回归方程:y=97.808-4.337x1+3.445x2-2.690x3+8.299x4-6.894x1x2+17.331x1x3-7.389x1x4-3.191x2x3+6.364x2x4+0.063x3x4-9.629x12-17.150x22-17.915x32-24.066x42。经检验回归关系显著,并对回归系数进行了检验。从回归方程可得:MgSO4·7H2O对产量以直接作用为主,其次为Ca(NO3)2·4H2O、KNO3和NH4H2PO4。Ca(NO3)2·4H2O与其它三种肥料均有交互作用,其中与NH4H2PO4交互作用达极显著水平。从产量效应回归关系优选出配方浓度为:Ca(NO3)2·4H2O:971mg/L;KNO3:931mg/L;NH4H2PO4:204mg/L;MgSO4·7H2O:581mg/L。采用回归最优设计结合水培研究肥料效应精确可行。

一种检测C&W对抗样本图像的盲取证算法

对抗样本图像能欺骗深度学习网络,亟待对抗样本防御机制以增强深度学习模型的安全性。C&W攻击是目前较热门的一种白盒攻击算法,它产生的对抗样本具有图像质量高、可转移、攻击性强、难防御等特点。本文以C&W攻击生成的对抗样本为研究对象,采用数字图像取证的思路,力图实现C&W对抗样本的检测,拒绝对抗样本输入深度学习网络。基于对抗样本中的对抗扰动易被破坏的假设,我们设计了基于FFDNet滤波器的检测算法。具体来说,FFDNet是一种基于深度卷积网络CNN的平滑滤波器,它能破坏对抗扰动,导致深度学习模型对对抗样本滤波前后的输出不一致。我们判断输出不一致的待测图像为C&W对抗样本。我们在ImageNet-1000图像库上针对经典的ResNet深度网络生成了6种C&W对抗样本。实验结果表明本文方法能较好地检测C&W对抗样本。相较于已有工作,本文方法不仅极大地降低了虚警率,而且提升了C&W对抗样本的检测准确率。